Bericht - RESA Web - DLR
Bericht - RESA Web - DLR
Bericht - RESA Web - DLR
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Gegenstand/<br />
Zielstellung<br />
Projekte im Rahmen der<br />
<strong>RESA</strong> - Datennutzung<br />
Steckbrief<br />
Hochgenaue Klassifizierung und<br />
Feststellung von Veränderungen im<br />
Wattenmeer durch Fusion und integrierte<br />
Auswertung multisensoraler<br />
Fernerkundungsdaten (273)<br />
Das Ziel des Projekts ist es, automatische Methoden zu entwickeln, die zum<br />
einen eine hochgenaue und detaillierte Kartierung und Klassifikation des<br />
Wattenmeeres ermöglichen, und die es zum anderen erlauben, zeitliche<br />
Veränderungen festzustellen und zu analysieren.<br />
Diese Methoden sollen insbesondere für die neuartigen hoch auflösenden<br />
Fernerkundungssensoren entwickelt werden, wobei als Grundvoraussetzung<br />
die Integration und Fusion von multisensoralen Fernerkundungsdaten und<br />
abgeleiteten Daten angesetzt wird. Die Entwicklung neuartiger automatisierter<br />
Verfahren wird dabei auf Methoden aufbauen, die am Institut für Geoinformatik<br />
und Fernerkundung (IGF) der Universität Osnabrück entwickelt<br />
worden sind. Insbesondere werden hierarchische, objektorientierte Algorithmen,<br />
texturbasierte Auswerteverfahren sowie spektralwerterhaltende<br />
Fusionstechniken eingesetzt. Dabei ist das Kernziel des Projekts die Entwicklung<br />
von Methoden zur automatischen Erkennung von Veränderungen<br />
in Wattgebieten der Nordsee.<br />
Zielgrößen Fusion, Change Detection, Klassifikation<br />
Datengrundlage<br />
und Datenqualität<br />
Bestellte Daten Erhaltene Daten<br />
1 Szene zur Kalibrierung von Osnabrück<br />
(L3a)<br />
1 Szene erhalten<br />
Komplette Abdeckung der Nordfrie- 7 x Komplette Abdeckung erhalten<br />
sischen Inseln (L3a) zu 2 Zeitpunkten<br />
pro Jahr während Niedrigwasser<br />
zu unterschiedlichen Zeitpunkten<br />
Komplette Abdeckung der Ostfriesi- 7 x Komplette Abdeckung erhalten<br />
sche Inseln (L3a) zu 2 Zeitpunkten<br />
pro Jahr während Niedrigwasser<br />
zu unterschiedlichen Zeitpunkten<br />
Komplette Abdeckung der Deutschen<br />
Nordseeküste (L3a)<br />
7 x Komplette Abdeckung erhalten<br />
Das erste halbe Jahr konnten keine Daten, mit Ausnahme der Szene von<br />
Osnabrück geliefert werden. In Absprache mit Rapideye wurde der Zeitraum<br />
zur Aufnahme der Daten mit aufeinanderfolgenden Tagen erhöht. Bei der<br />
ersten Angabe waren höchstens zwei aufeinanderfolgende Tage zur Aufnahme<br />
festgelegt. Dieser Zeitraum wurde auf 5 Tage erhöht, dadurch wurde<br />
die Wahrscheinlichkeit einer Aufnahme einer Szene größer. Nachteil: Es<br />
werden auch Szenen aufgenommen, die kein Niedrigwasser (+- 3 Stunden)<br />
zeigen. Diese Strategie wurde auch für die zweite Bestellung bis ins Jahr<br />
2012 beibehalten, so dass jetzt insgesamt die Nordsee 7 x mit Rapideye<br />
Szenen aufgenommen worden ist. Seit dem 01.05.2012 werden keine zusätzlichen<br />
Tasking-orders über Deutschland mehr angenommen. Stattdessen<br />
soll Deutschland alle 45 Tage komplett aufgenommen werden.
Beschreibung<br />
und<br />
Stand der<br />
gesetzten<br />
Arbeitsziele<br />
und des<br />
methodischenVorgehens<br />
Fusion<br />
Die Ergebnisse der Bildfusion und Bildintegration auf der ikonischen Ebene<br />
wurden bereits im ersten Zwischenbericht erläutert. Es gibt noch keine neuen<br />
Ergebnisse der Fusion auf der Merkmals- und Entscheidungsebene.<br />
Change Detection<br />
Als Untersuchungsgebiet wurden die Insel Norderney und das umgebende<br />
Wattenmeer gewählt. Dieses Gebiet ist das des deutschen Wattenmeeres,<br />
welches seit Juni 2009 UNESCO-Weltnaturerbe ist. Abbildung 1 zeigt die<br />
Rapideyeszene dieses Gebietes. Das Gebiet wird insbesondere zwischen<br />
dem Festland und der Insel von den Gezeiten beeinflusst. Im Norden der<br />
Insel ist im Wesentlichen trockener Sand vorherrschend. Südlich der Insel<br />
ist das Substrat auch sandig aber stärker vom Wasser beeinflusst. Im Zentrum<br />
der Szene befindet sich eine Muschelbank im Watt.<br />
Abbildung 1: Untersuchungsgebiet Norderney.<br />
In einem ersten Schritt wurden unterschiedliche Algorithmen zur Veränderungsdetektion<br />
an diesen Daten getestet. Die Standardalgorithmen zur Veränderungsdetektion,<br />
wie Image Differencing, Image Ratio, Regression oder<br />
Principal Component Analysis (PCA) zeigten keine zufriedenstellenden Ergebnisse.<br />
Aber auch Postklassifikationsverfahren mit Support Vector Machine<br />
(SVM), Neuronalen Netzen oder einfachen Verfahren wie Maximum Likelihood<br />
oder ISODATA zeigten keine zufriedenstellenden Ergebnisse. Die vom<br />
IGF entwickelten Verfahren (Segmentkorrelation, Adaptive Filterung im Frequenzraum<br />
mit anschließender Anwendung von Kantenfiltern und Texturberechnung<br />
mit anschließender PCA) funktionierten, aber stellten den unterschiedlichen<br />
Wasserstand als Änderung dar. Dadurch sank die Genauigkeit<br />
der Verfahren stark. Daher wurde für die Veränderungsdetektion ein eigener<br />
postklassifikativer Ansatz entwickelt.<br />
Klassifikation<br />
Dieser Algorithmus ist hierarchisch, objektorientiert und fusioniert unterschiedlichste<br />
Daten. In einem ersten Schritt wurde dazu die Küstenlinie ex-
trahiert und die Landfläche herausgefiltert. Dazu wurde die OpenStreetMap<br />
(OSM)-Küstenlinie verwendet, die sich als die genaueste der untersuchten<br />
Küstenbegrenzungen herausstellte. Im nächsten Schritt wurden die Wasserflächen<br />
spektral über einen Grenzwert im nahen Infrarot identifiziert. Um<br />
Fehlklassifikationen zu reduzieren, wurden nur große zusammenhängende<br />
Flächen mit mindestens 30 Pixeln als Wasser klassifiziert. Zukünftig soll zusätzlich<br />
ein hochgenaues Höhenmodell auf der Basis von LIDAR-Daten verwendet<br />
werden, um Wasser- von Wattgebieten zu trennen. Zur Trennung<br />
von Wattvegetation von Sedimentflächen wurde der modified soil adjusted<br />
vegetation index (MSAVI) (Qi et al. 1994) ausgewählt. Dieser zeigte ein<br />
besseres Resultat als der NDVI oder SAVI. Das Ergebnis des MSAVI wurde<br />
mittels Histogrammstreckung auf 8bit normiert, indem auf die zweifache<br />
Standardabweichung gestreckt wurde. Fünf unterschiedliche Grenzwerte<br />
wurden gebildet, die unterschiedlich starke Vegetation und Nichtvegetation<br />
symbolisieren. Der Vorteil der Normierung war, dass diese Werte auch auf<br />
andere RapidEye-Szenen übertragen werden konnten. Durch diese Unterteilung<br />
wird festgelegt, ob ein Pixel zur Klasse ‚Sediment‘ oder ‚Vegetation‘<br />
gehört.<br />
In Niedersachsen repräsentieren hohe MSAVI Werte in Küstennähe in der<br />
Regel Salzwiesen. Daher wird ein 25-m Puffer von der Küstenlinie ausgehend<br />
gebildet, indem alle Werte über 200 im normierten Histogramm als<br />
Salzwiesen klassifiziert werden. Diese klassifizierten Pixel werden als<br />
Seedpixel verwendet, um die restlichen Salzwiesenflächen ebenfalls zu klassifizieren.<br />
Um auch die Bereiche als Salzwiesen zu klassifizieren, die nur<br />
Pioniervegetation enthalten, wird zusätzlich noch ein Puffer, um die erhaltenen<br />
klassifizierten Flächen gebildet. Außerdem wird noch die Größe der Objekte<br />
betrachtet, um Fehlklassifikationen zu verringern. Durch einen 3x3<br />
Pixel großen Texturfilter, der auf den Standardabweichungen basierte, wurden<br />
Muschelbänke klassifiziert. Dieser Texturfilter zeigte stabilere Ergebnisse<br />
als Texturfilter nach Haralick (Haralick & Shapiro 1992). Da aber die Kanten<br />
von Prielen ebenfalls einen hohen Texturwert aufweisen, wurde zunächst<br />
um die Wasserflächen ein Puffer von einem Pixel gebildet, um diese<br />
als Fehlerquelle auszuschließen. Um hohe Texturwerte in Küstennähe auszuschließen,<br />
wurde hier ebenfalls ein Puffer gebildet, da Muschelbänke im<br />
niedersächsischen Wattenmeer nicht küstennah (< 400 m) auftreten. Da<br />
Algen zumeist die Muschelbänke nutzen, um sich daran zu befestigen, wurde<br />
ein hoher MSAVI Wert in der Umgebung als zusätzlicher Faktor berücksichtigt.<br />
Sind nur niedrige MSAVI Werte in der Umgebung vermutlicher Muschelstandorte<br />
zu finden, werden diese Flächen nicht als Muscheln klassifiziert.<br />
Um die Muschelbänke in ihrer Gesamtheit zu erfassen, wurden noch<br />
morphologische Operationen (Öffnen und Schließen) eingesetzt. Junge Muschelbänke<br />
können aber allein durch optische Daten nicht festgestellt werden,<br />
da diese kaum sichtbar in diesen Daten sind (Abb. 2). Daher wurden<br />
Radardaten eingesetzt, um diese jungen Muschelbänke zu bestimmen. Auch<br />
dafür wurden die Radardaten normalisiert und ein Schwellwert gebildet. Die<br />
übrigen Vegetations- und Sedimentflächen wurden mit einer unüberwachten<br />
Isodata-Klassifikation prozessiert. Dabei wurden sowohl für die Vegetation<br />
als auch die Sedimentflächen fünf Klassen gewählt. Bei der Vegetation wird<br />
diese Klasse zurzeit noch nicht näher spezifiziert. Bei den Sedimenten werden<br />
die ersten beiden Klassen immer dem trockenen Sand zugewiesen, die<br />
Klassen 3 und 4 dem Sandwatt und die fünfte Klasse dem Schlickwatt.
Abbildung 2: Eine junge Muschelbank in der TerraSAR-X Szene vom 18.<br />
Oktober 2009 und eine RapidEye Szene vom 25. April 2010 in der Kanalkombination<br />
nahes infrarot, rot und grün.<br />
Ein Ergebnis der Klassifikation wird in Abb. 3 dargestellt. Unter Berücksichtigung<br />
der verschiedenen Auflösungen konnten Priele und Wasserflächen in<br />
den Szenen korrekt identifiziert werden (blau). Auch der trockene Sand<br />
(Gelb) im Norden der Insel konnte in allen Szenen gut erkannt werden.<br />
Salzwiesen treten in beiden Bildern nur landnah im Wattenmeer auf (dunkelgrün).<br />
Die restliche Vegetation (hellgrün) verteilt sich über das gesamte<br />
Watt und ist sehr mobil, wird in den unterschiedlichen Szenen daher auch<br />
an jeweils anderen Orten klassifiziert. Zwischen Küste und Insel liegen zudem<br />
einige Sedimentbänke. Im Wesentlichen werden diese vom Sand<br />
(braun) dominiert, weisen aufgrund des Wasserstandes aber in den unterschiedlichen<br />
Szenen starke Unterschiede auf. Die Muschelbänke (rot) haben<br />
in allen Szenen ungefähr die gleiche Lage.<br />
Abbildung 3: Klassifikation der RapidEye-Szene vom 25. April 2010.<br />
Tabelle 1 zeigt das Ergebnis der postklassifikativen Veränderungsanalyse.<br />
Von 2010 zu 2011 hat die Zahl der Muscheln zugenommen. Nur die Herbstszene<br />
zeigt eine Reduzierung der Muscheln, der Grund dafür ist vermutlich<br />
die kältere Jahreszeit und Sturmschäden. Auch die Salzwiesen zeigen eine<br />
Zunahme. Die Sedimente hängen stark vom Wasseranteil ab und können<br />
noch nicht genau getrennt werden. Speziell bei der Trennung von Mischwatt<br />
und Schlickwatt gibt es noch Probleme. Da Algen sehr mobil sind und häufig
Beteiligte<br />
Partner mit<br />
Kontaktinfo<br />
den Ort wechseln, sind auch die Ergebnisse bei der Klasse Vegetation sehr<br />
unterschiedlich.<br />
Aufnahmedatum 25/04/10 07/09/10 27/06/11 11/07/11 22/10/11<br />
Muscheln 60316 60000 70335 78315 54954<br />
Salzwiese 46735 46741 70079 71783 69902<br />
Schlick 149805 280150 579855 532605 418780<br />
Mischwatt 564870 492490 703891 700323 738933<br />
Sand 599419 450509 316997 344563 339608<br />
Vegetation (Algen) 33962 33367 14025 24410 1845<br />
Trockener Sand 218652 151700 37257 46809 97666<br />
Table 1: Anzahl der Pixel, die der jeweiligen Klasse zugeordnet wurden.<br />
1. Alfred-Wegener-Institut für Polar- und Meeresforschung (AWI)<br />
Justus van Beusekom, justus.van.beusekom@awi.de<br />
2. Hanse-Wissenschaftskolleg (HWK)<br />
Reto Weiler, reto.weiler@uni-oldenburg.de<br />
3. Institut für Chemie und Biologie des Meeres (ICBM), Carl von Ossietzky<br />
Universität Oldenburg<br />
Emil Stanev, emil.stanev@hzg.de<br />
4. Institut für Geoinformatik und Fernerkundung (IGF), Universität Osnabrück,<br />
in Kooperation PH Heidelberg, Abteilung Geographie<br />
Manfred Ehlers, mehlers@igf.uni-osnabrueck.de<br />
5. Institut für Küstenforschung, GKSS-Forschungszentrum Geesthacht<br />
Carlo van Bernem, bernem@hzg.de<br />
6. Institut für Photogrammetrie und GeoInformation (IPI), Gottfried Wilhelm<br />
Leibniz Universität Hannover<br />
Christian Heipke, heipke@ipi.uni-hannover.de<br />
7. Institut für Physik (IfP), Carl von Ossietzky Universität Oldenburg<br />
Rainer Reuter, rainer.reuter@uni-oldenburg.de<br />
8. Landesamt für Landwirtschaft, Umwelt und ländliche Räume des Landes<br />
Schleswig-Holstein (LLUR)<br />
Hans-Christian Reimers, hans-christian.reimers@llur.landsh.de<br />
9. MARUM-Zentrum für Marine Umweltwissenschaften, Universität Bremen<br />
Christian Winter, acwinter@uni-bremen.de<br />
10. Nationalparkverwaltung Niedersächsisches Wattenmeer (NLPV),<br />
in Kooperation mit <strong>DLR</strong>-Institut für Methodik der Fernerkundung (IMF)<br />
Gerald Millat, gerald.millat@nlpv-wattenmeer.niedersachsen.de<br />
11. Senckenberg am Meer, Senckenberg Gesellschaft für Naturforschung<br />
(SGN)<br />
Alexander Bartholomae, alexander.bartholomae@senckenberg.de<br />
Re Referenzen Klonus, S. & Ehlers, M., 2012. Potential von RapidEye Bilddaten für das<br />
Wattenmeer-monitoring, In: E. Borg, H. Daedelow & R. Johnson (Ed.):<br />
In RapidEye Science Archive (<strong>RESA</strong>) - Vom Algorithmus zum Produkt,<br />
GITO.<br />
Klonus, S., Ehlers, M., Schmidt, A., Soergel, U., Adolph, W. & Farke, H.,<br />
2012. Change Detection in Wadden Sea Areas using RapidEye data,<br />
Proceedings of the 32nd Earsel Symposium 2012, Mykonos Island.<br />
Schmidt, A., Rottensteiner, F., Soergel, U., Adolph, W., Klonus, Farke, H.S.<br />
& Ehlers, M., 2012. Potential of Airborne Laser Scanning Data for
Classification of Wadden Sea Areas, Proceedings of the 32nd Earsel<br />
Symposium 2012, Mykonos Island.<br />
Klonus, S. & Ehlers, M., 2012. Using TerraSAR-X and RapidEye data for<br />
change detection in Wadden Sea Areas, Proceedings of the 1st Workshop<br />
on Temporal Analysis of Satellite Image Data, Mykonos Island.